AI ברוקחות: האצת גילוי התרופות

אנו כבר רגילים שחלק מהעבודה בתחום הבריאות יכולה להיעשות על ידי מכונות. הם הוכחו כיעילים לסייע באבחון או בבחירת קו קו, כמו גם בניהול זרימת המסמך. עם זאת, ברגע שאנו מציגים מבט מעבר ליחסי ספקי בריאות וחולים, אנו נדהמים מהיקף הבעיות והפוטנציאל של AI לפתור אותן.

2.5 מיליארד דולר ו -10 שנות מחקר - אלה הנתונים המתארים את תהליך פיתוח התרופות. הוסיפו להם שרק 1 מכל 10 תרופות יעבור את כל השלבים הדרושים ובסופו של דבר יגיעו למטופל. העולם המהיר והזועף של ימינו אינו יכול להרשות לעצמו הוצאות כאלה ולא מסגרת זמן כזו.

כאן טכניקות AI יכולות להוסיף את הערך הרב ביותר, ולהפוך את גילוי התרופות למהיר, זול ויעיל יותר. חלק מהרוקחים עדיין ספקנים, אך מרבית המומחים צופים כי כלים אלה יהפכו לחשובים יותר ויותר. אם תומכי הטכניקות הללו צודקים, AI ולמידת מכונות יתחילו בעידן של גילוי תרופות מהיר, זול ויעיל יותר.

לדוגמה, מקינזי מעריך כי קבלת החלטות טובה יותר, חדשנות אופטימלית, שיפור היעילות של המחקר, ניסויים קליניים ויצירת כלים חדשים בעזרת נתונים גדולים ולמידת מכונה עשויים לייצר עד 100 $ דולר בפארמה ורפואה בשנה.

ל- AI פוטנציאל לשנות את כל תהליך גילוי התרופות. עד כה, שלבי התפתחות התרופות המתחילים מהשערה והולכים לבדיקת התרופות אינם קשורים כלל. נהפוך הוא, מנקודת מבט של למידת מכונה, השלבים קשורים זה לזה מכיוון שאתה יכול להשתמש בנתונים מהשלב הבא כדי להבין מה קורה בשלב הקודם או בשני השלבים שלפני כן. חוץ מזה, הגישה בו זמנית למספר נתונים יכולה לזהות קטע שניתן לכימות במקום להשתמש בתיאורים רחבים, כמו תסמיני מחלות. בעזרת למידת מכונה, החוקרים יכולים לבצע ניסוי על מאגר חולים, לקבל תוצאות שונות ולמפות אותן על הגנטיקה של החתימות המולקולריות של המטופלים, תוך הגדרת המחלה על קרקע מוצקה יותר.

AI כבר שימש בהצלחה בכל השלבים העיקריים בפיתוח תרופות:

· שלב 0. סקירת ספרות

שלב 1: זיהוי יעדי התערבות

שלב 2: גילוי מועמדים לסמים

שלב 3: האצת מחקרים קליניים

שלב 4: מציאת סמנים ביולוגיים לאבחון המחלה

שלבים עיקריים בהתפתחות התרופות

שלב 0 סקירת ספרות

ישנה כמות עצומה של מחקר שמתפרסם מדי יום ואם היינו יכולים לאסוף את התובנות מכל המחקרים, אנו יכולים לנסח השערה טובה יותר. עם זאת, אי אפשר לאדם לקרוא את כל התקצירים והמאמרים המדעיים, כך שחוקרים העובדים בתחום המדעי בדרך כלל מתמקדים בתחום אחד ואינם קוראים כתבי עת אחרים. אבל כתבי העת הללו מכילים נתונים רבים רלוונטיים שיכולים ליידע החלטות בתחומים שאדם חוקר עליהם. הפיתרון הוא לאפשר למכונות לקרוא את כל הספרות, הפטנטים והמסמכים הזמינים ולאחד את הנתונים במאגר של עובדות שניתן להפיק מספרות זו. זה מהווה בסיס להשערה למצוא יעדים טיפוליים למחלות.

שלב 1: זיהוי יעדי התערבות

השלב הראשון בהתפתחות התרופות הוא הבנת המקור הביולוגי של מחלה ומנגנוני ההתנגדות שלה. לטיפול במחלה, חשוב מאוד לזהות מטרות טובות, בדרך כלל, חלבונים. היישום הרחב של טכניקות תפוקה גבוהה, כמו הקרנת סיכות ראש RNA (shRNA) וסרטי רצף עמוקים, הגביר את כמות הנתונים הזמינים לגילוי מסלולי יעד בר קיימא. עם זאת, זה עדיין אתגר לשלב את המספר הגבוה והמגוון של מקורות נתונים - ואז למצוא את הדפוסים הרלוונטיים. אלגוריתמים של למידת מכונה ידועים כטובים במשימות כאלה ויכולים להתמודד עם כל הנתונים הזמינים כדי לחזות אוטומטית חלבוני יעד טובים.

שלב 2: גילוי מועמדי סמים

עם יעדים שזוהו, החוקרים מתחילים לחפש תרכובת שיכולה לתקשר עם מולקולת היעד המזוהה בדרך הרצויה. זה כרוך בסינון אלפי ומיליוני תרכובות טבעיות, סינתטיות וביו-מנועי פוטנציאליות לצורך השפעתם על המטרה ותופעות הלוואי שלהם. אלגוריתמים של למידת מכונה יכולים לחזות את התאמתה של מולקולה המבוססת על טביעות אצבע מבניות ותיאורים מולקולריים, להבהיר במיליוני מולקולות פוטנציאליות ולסנן אותן לאופציות הטובות ביותר עם מינימום תופעות לוואי.

שלב 3: ניסויים קליניים מהירים יותר

המפתח לניסויים מוצלחים הוא בחירה מדויקת של מועמדים מתאימים, מכיוון שבחירה לא נכונה כרוכה בהארכת הניסויים ובזבוז זמן ומשאבים. למידת מכונה יכולה להאיץ את תכנון הניסויים הקליניים על ידי זיהוי מועמדים מתאימים באופן אוטומטי והבטחת משתתפי הניסוי בחלוקה נכונה בין הקבוצות. אלגוריתמים של ML יכולים לזהות דפוסים שיחזו מועמדים טובים. חוץ מזה, הם יכולים להודיע ​​לחוקרים כי ניסוי קליני אינו מניב תוצאות חותכות כך שהחוקרים יוכלו להתערב מוקדם יותר, ובאופן פוטנציאלי לחסוך את פיתוח התרופה.

שלב 4: זיהוי סמנים ביולוגיים לאבחון המחלה

לבסוף, אתה יכול לטפל רק בחולים במחלה ברגע שאתה בטוח באבחנה שלך. סמנים ביולוגיים הם מולקולות הנמצאות בנוזלי גוף כמו דם המספקים וודאות מוחלטת אם המטופל סובל ממחלה או לא. הם הופכים את תהליך אבחון המחלה לבטוח וזול. ניתן להשתמש בהן גם כדי לאתר את התקדמות המחלה - מה שמקל על הרופאים לבחור את הטיפול הנכון ולפקח אם התרופה פועלת.

עם זאת, גילוי סמנים ביולוגיים כולל סינון של עשרות אלפי מועמדים פוטנציאליים למולקולות. שוב, AI יכול לבצע אוטומציה ולהאיץ את התהליך. האלגוריתמים מסווגים מולקולות למועמדים טובים ורעים - והחוקר יכול להתמקד בניתוח רק הסיכויים הטובים ביותר.

סמנים ביולוגיים יכולים לזהות:

· סימון ביולוגי לאבחון: נוכחות של מחלה מוקדם ככל האפשר

· סמן ביולוגי לסיכון: הסיכון לחולה לפתח את המחלה

· סממן ביולוגי פרוגנוסטי: ההתקדמות הסבירה של מחלה

· סממן ביולוגי חזוי: האם מטופל יגיב לתרופה

סוגי סמנים ביולוגיים

אף על פי שהיישום הרחב של AI עדיין נמצא בחיל הרגלים שלו, ישנן דוגמאות רבות לשימוש בו על ידי חברות התרופות. לדוגמא, ענקית התרופות Merck & Co עובדת על פרויקט המשתמש בטכנולוגיית למידה עמוקה לגילוי מולקולות קטנות. פייזר החל בשיתוף פעולה עם יבמ ווטסון למחקר גילוי תרופות אימונקולוגיות. חוקרים בחברת הביוטכנולוגיה המבוססת על מסצ'וסטס ברג פיתחו מודל לזיהוי מנגנוני סרטן שלא היו מוכרים בעבר באמצעות בדיקות שנערכו על יותר מאלף דגימות תאים אנושיים סרטניים ובריאים.

משמרת זו מציעה כי התעשייה לא רק התעוררה, אלא מאמצת באופן אקטיבי את היתרונות של למידת מכונות לזיהוי וסינון תרופות, חיזוי מדויק יותר של מועמדים לתרופות ובסופו של דבר קיצוץ בעלויות ומאמצי מו"פ.

כיצד AI ישנה את עתידם של מומחים אנושיים?

ככל שמתפרסמים מחקרים נוספים ומתקיימים דיונים סביב עתיד ה- AI ברפואה, מופיעים צדדים ברורים לוויכוח. הקונצנזוס הכללי הוא שלמרות שמשימות שגרתיות ואיסוף / הזנת נתונים צריכות להיעשות על ידי מכונות, תמיד יהיה צורך באלמנט האנושי בתפקיד האוצר, בשיקול דעת, ביצירתיות ובאמפתיה או בגורמים אנושיים אחרים שהטכנולוגיה המודרנית אינה יכולה לספק .

בתור אוצרים, בני האדם יגדירו את הבעיה ויאפשרו לאלגוריתמים או לרובוטים לפתור אותה. הם יתאימו ומכוונים לתרכובות ספציפיות, תסמינים, מחלות או אחרות ולא לבעיות אקראיות או דקות רק לשם כך. מלבד זאת, מומחים אנושיים יספקו אישור דרך השלבים השונים של בדיקה או בחינת אפשרויות נוספות על בסיס תוצאות המבוססות על הקשר שהבוטים עשויים לא להבין.

לסיכום, העתיד טמון בשיתוף פעולה בין בני אדם למכונות ומומחים קליניים אנושיים יצטרכו להסתגל, ללמוד ולצמוח לצד התקדמות טכנולוגית. אף שמומחים עתידיים יצטרכו להיות מומחים רפואיים ומחשבים כאחד, לרפואה, זו אבולוציה, לא הכחדה.